本文へスキップ

Florence-2-large-ft

プロンプトで動く視覚と視覚言語のタスク

公式サイトを見る

Florence-2-large-ft とは

本モデルはテキストのプロンプトで視覚・視覚言語タスクをこなす視覚基盤モデルと説明されている。

できること

  • 画像にテキストの説明を付ける
  • 画像内の対象を見つけて位置を示す
  • 画像を領域や対象に分ける

しくみ

  • まず必要なライブラリを導入する
  • プロセッサでプロンプトと画像を読み込む
  • 入力を変換してからモデルを動かす

長所と短所

✓ 良い点

  • 簡潔なテキストのプロンプトで多様な任務を動かせる
  • 領域提案と領域 OCR を含む

! 注意したい点

  • 利用前に必要なライブラリの導入が要る
  • テキストのプロンプトと画像をそろえる必要がある

よくある質問

どんなタスク?

資料では画像説明、目標検出、分割、領域提案、OCR が並ぶ。

データは?

資料では FLD-5B の 54 億件の注釈と 1 億 2600 万枚の画像が挙げられている。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法